- · 《遥感学报》栏目设置[09/01]
- · 《遥感学报》数据库收录[09/01]
- · 《遥感学报》投稿方式[09/01]
- · 《遥感学报》征稿要求[09/01]
- · 《遥感学报》刊物宗旨[09/01]
来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。 一、投稿方式： 1、 请从 我刊官网 直接投稿 。 2、 请 从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。 二、稿件著作权： 1、 投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、 投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、 投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、 投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、 投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、 第5条所述之网络是指通过我刊官网。 7、 投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。
复杂卫星图像中的小目标船舶识别(4)
作者:网站采编关键词:
摘要：从表3数据可知本文算法训练得到的模型无论是精确度还是召回率都高于FRCN所训练得到的模型。相较于FRCN，精确度提升了6.98%，召回率提升了18.17%。对比图
从表3数据可知本文算法训练得到的模型无论是精确度还是召回率都高于FRCN所训练得到的模型。相较于FRCN，精确度提升了6.98%，召回率提升了18.17%。对比图8和图9，本文算法能够实现卫星图像中的货船、邮轮及游艇等船舶目标，尤其是对小目标船只的识别，无论是小目标回归框的精度，还是小目标船类别的置信度相较于FRCN都有明显提高。
图8 FRCN识别效果图Fig.8 The recognition results of FRCN
图9 本文算法识别效果图Fig.9 The recognition results of this paper
3.5 多样海情条件下船舶细粒度识别效果
为验证本文算法的有效性和鲁棒性，从数据集中选取了50幅不同海情、船舶类别多样的样本图片进行检验，部分检测效果如图8所示。
从图10可知，本文算法对海岸背景的干扰如图 10 （a）、（d）、（e）、（f），光线较暗如图 10（b）、（d）、（e），云雾干扰如图10 （c），船舶尺寸相差大如图10（d），小目标船舶如图10（e），船舶类别多样如图10（f），均有较好的识别效果，可以准确地识别图片中的货船、邮轮及游艇等目标。实验结果表明本文算法广泛适用于复杂海情条件下的船舶细粒度识别，精确度和实时性均满足实际要求，并且具有较强的鲁棒性。
图10 多样海情条件下细粒度识别效果图Fig.10 The results of fine-grained recognition under various sea conditions
4 结 论
首先，本文针对小目标船舶难识别的问题提出了一种多尺度的训练策略，将训练样本压缩到多个尺度，扩大了训练集中小船舶样本的数量。通过对数据样本的扩充，使网络提取到小目标船舶的有效特征，实现对小目标船舶的高精度识别，避免漏检或误检的情况。其次，对于云雾的遮挡、陆地背景等复杂海情对船舶识别到来的影响。采用负样本增强学习的方法，将云雾、陆地背景作为负样本参与到网络模型的训练当中。实验结果表明：所采用的方法不仅可以实现常态海况下的船舶识别，同时也有效解决云雾遮挡造成的船舶漏检及陆地背景干扰造成的船舶误检问题，解决了前人的方法无法解决云雾遮挡及岸基干扰的问题，识别准确率可达92.27%。文中采用深度学习方法进行船舶细粒度识别，避免了传统模式识别方法中人为经验的干扰，所构建的网络能够根据识别效果自适应的修改网络的参数，不需要人为的调整，成功实现了端到端的网络训练及识别模式。
该方法仍有不足之处：（1）文中构建的网络分为两部分，第一部分网络提取船舶目标的特征，第二部分网络对提取到的船舶目标进行分类，后续期望能够将两个网络整合为一个网络，减小网络的复杂度，降低网络的开销；（2）与其他方法相比，准确率虽有显著提升，但与期望值相比仍有差距。这两点也是下一步的重点研究内容。
志 谢此次实验的数据获取得到了DataFountain官方、常州大学信息科学与工程学院沈新霞的大力支持，在此表示衷心的感谢！
Bentes C,Velotto D and Tings classification in terraSARX images with convolutional neural Journal of Oceanic Engineering,43(1):258-266[DOI:10.1109/]
Bousetouane F and Morris CNN features for fine-grained classification of vessels in a maritime environment//Proceedings of the 11th International Symposium on Visual Com‐ Vegas,NV,USA:Springer:379-388[DOI:10.1007/978-3-319--6_35]
DataFountain[EB/OL].2017.
Girshick R-CNN//Proceedings of 2015 IEEE Internation‐al Conference on Computer ,Chile:IEEE:1440-1448[DOI:10.1109/]
Girshick R,Donahue J,Darrell T and Malik feature hier‐archies for accurate object detection and semantic segmentation//Proceedings of 2014 IEEE Conference on Computer Vision and Pattern ,OH,USA:IEEE:580-587[DOI:10.1109/]
He K M,Zhang X Y,Ren S Q and Sun residual learning for image recognition//Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Vegas,NV,USA:IEEE:770-778[DOI:10.1109/]
Hinton G E and Salakhutdinov R the dimensio-nali‐ty of data with neural ,313(5786):504-507[DOI:10.1126/science.]
Krizhevsky A,Sutskever I and Hinton G classifica‐tion with deep convolutional neural networks//Proceedings of the 25th International Conference on Neural Information Processing Tahoe,Nevada:Curran Associates Inc.:1097-1105
LeCun Y,Bengio Y and Hinton ,521(7553):436-444[DOI:10.1038/nature]
Liao M,Zhan Z Q,WoW,Pang C and Liu on rainfallrun off simulation and prediction in lake basin based on dynamic data-driven deep recurrent of Remote Sensing,23(05):911-923(廖明，詹总谦，呙维，庞超，刘异.2019.动态数据驱动模式下的湖泊流域降雨径流模拟.遥感学报，23(05):911-923)[DOI：10./jrs.]
文章来源：《遥感学报》 网址: http://www.ygxbzz.cn/qikandaodu/2021/0409/597.html